Un estudio publicado en Nature presentó un método de IA que mejora los pronósticos meteorológicos de dos a seis semanas al corregir errores repetidos de modelos existentes. El trabajo reunió a investigadores de Microsoft Research, MIT (Massachusetts Institute of Technology, Instituto Tecnológico de Massachusetts), Harvard, la Universidad de Toronto y otras instituciones.

El sistema se llama PBC (Probabilistic Bias Correction, corrección probabilística de sesgos). En vez de reemplazar el modelo meteorológico, analiza sus predicciones históricas y las observaciones posteriores para ajustar la probabilidad de lluvia, temperatura y presión.

Aplicado al modelo dinámico del ECMWF (European Centre for Medium-Range Weather Forecasts, Centro Europeo de Previsiones Meteorológicas a Plazo Medio), PBC mejoró la habilidad predictiva en el 98% de los objetivos de precipitación, el 92% de temperatura y el 91% de presión evaluados.

Los porcentajes corresponden a los objetivos en que el método superó al modelo de referencia, que ya incluía correcciones operativas. PBC también duplicó la capacidad predictiva subestacional del AIFS (Artificial Intelligence Forecasting System, Sistema de Pronóstico de Inteligencia Artificial) en la métrica evaluada.

Corrección de errores en los pronósticos meteorológicos

PBC recibe conjuntos de predicciones deterministas y los convierte en probabilidades ajustadas. Combina el comportamiento reciente del tiempo, patrones de cada fecha y correcciones específicas para cada lugar. Después produce una distribución que conserva la señal útil del modelo original.

El equipo probó el método con un modelo dinámico del ECMWF, su sistema AIFS basado en IA y PoET, un enfoque híbrido. La evaluación consideró promedios semanales de temperatura, precipitación y presión, con énfasis en las semanas tercera y cuarta.

Mapa editorial de pronósticos meteorológicos sobre Sudamérica con bandas de lluvia, isobaras y una trama de análisis con IA — Los pronósticos meteorológicos mejoraron en el 98% de los objetivos de precipitación evaluados frente al modelo de referencia.

Una versión llamada MicroDuet obtuvo el primer lugar para todas las variables y plazos en la etapa inicial de AI Weather Quest. Superó modelos de seis centros operativos y los sistemas de 34 equipos. El concurso fue organizado por el ECMWF y evaluó resultados en tiempo real.

Código abierto y una prueba agrícola en Kenia

El método “es de código abierto y bajo costo”, dijo Judah Cohen, investigador del MIT y coautor del estudio, en declaraciones publicadas por MIT News. El código de PBC está disponible en GitHub y el modelo resultante no necesita un supercomputador para ejecutarse, aunque su entrenamiento utilizó infraestructura de cómputo del MIT.

En Kenia, Rhiza Research y el servicio meteorológico nacional prueban PBC para preparar actualizaciones semanales durante la temporada de lluvias. Las probabilidades de precipitaciones muy intensas o muy escasas pueden orientar decisiones sobre semillas, siembra y fertilización en explotaciones que dependen de la lluvia.

Microsoft también mantiene su servicio Weather S2S, con orientación probabilística semanal hasta seis semanas, en vista previa privada para clientes seleccionados. Ese servicio comercial es distinto del código abierto y no tiene disponibilidad anunciada para Chile. La técnica permite aplicar una corrección posterior a pronósticos meteorológicos con IA y también a sistemas que simulan la atmósfera mediante ecuaciones físicas.